网络嵌入调查
本次调查综述了网络嵌入的发展历史以及对分类、聚类、链接预测和可视化等任务的作用,将网络嵌入方法根据不同场景进行了分类,包括监督学习、无监督学习、同质网络和异质网络等。最后,探讨了网络嵌入未来的研究方向。
Aug, 2018
通过将三种方法(网络聚合,结果聚合和层共分析)应用于多层网络,我们将其投影到连续的向量空间中,并通过评估验证了其中一种方法(层共分析)在大多数数据集上的表现优于常规链接预测方法。
Sep, 2017
本文综述了图嵌入技术的各种方法,介绍了三个不同的分类方法的代表性算法,并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向,并介绍了一个名为 GEM 的 Python 库,其中提供了所有介绍的算法作为一个统一的接口,以促进和便利这个领域的研究。
May, 2017
本综述全面地回顾了数据挖掘和机器学习领域的网络表征学习技术的当前文献,并根据基本的学习机制、网络信息的保留意图以及算法设计和方法学对其进行分类和总结,同时对于验证网络表征学习的评估协议,如公开的基准数据集、评估方法和开源算法也进行了总结和分析,并在常见数据集上比较了代表性算法之间的性能和计算复杂度,并提出未来的研究方向。
Dec, 2017
本文研究网络嵌入的问题,提出了内容增强网络嵌入 (CENE) 的方法,该方法能够联合利用网络结构和内容信息,并通过将内容信息视为特殊节点来将文本建模和结构建模集成在一个通用框架中,试验结果表明,该模型在节点分类应用中胜过其他所有现有的网络嵌入方法,充分证明了内容信息和联合学习的优点。
Oct, 2016
本文选择 11 种代表性的图嵌入方法,对药物 - 疾病关联、药物 - 药物交互、蛋白质 - 蛋白质相互作用、医学术语语义分类和蛋白功能预测等 5 个生物医学任务的 3 种预测方法进行评估比较,并提出了挑选嵌入方法和设置超参数的普适指导原则。结果表明,最近的图嵌入方法在未使用任何生物学特征的情况下,能够取得与具有生物学特征的方法相媲美的预测性能。
Jun, 2019